CN111027872B - 一种区域用户的用电成熟度确定方法及系统 - Google Patents
一种区域用户的用电成熟度确定方法及系统 Download PDFInfo
- Publication number
- CN111027872B CN111027872B CN201911294254.8A CN201911294254A CN111027872B CN 111027872 B CN111027872 B CN 111027872B CN 201911294254 A CN201911294254 A CN 201911294254A CN 111027872 B CN111027872 B CN 111027872B
- Authority
- CN
- China
- Prior art keywords
- index
- load
- maturity
- year
- electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 73
- 230000004044 response Effects 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 29
- 230000009467 reduction Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种区域用户的用电成熟度确定方法及系统。该方法包括:获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;根据待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标;综合表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标确定用电成熟度;将用电成熟度上传至数据中心以供数据中心处理。本发明的区域用户的用电成熟度确定方法及系统,能够针对区域电力用户进行用电成熟度分析,避免将大量数据上传至数据中心,提高数据处理效率。
Description
技术领域
本发明涉及电力系统领域,特别是涉及一种区域用户的用电成熟度确定方法及系统。
背景技术
数据是泛在电力物联网建设的中心,泛在电力物联网背景下,园区中包含了大量由用户智能电表终端采集的分散的用电特性数据信息,高效深入挖掘这些海量数据蕴含的价值信息,对研究区域电力用户行为模式,提升区域电网运营商供电服务业务的竞争力,实现精准营销具有重要意义。
针对区域智能电表终端采集的用电特性数据信息,现有技术一般采用将分散的数据信息上传至数据中心数据中心并在数据中心集中处理的计算运行方式进行数据分析,随着泛在电力物联网建设的不断深入,智能电表等各类终端采集的数据日益增加,大大增加了数据中心数据处理的负担,数据处理的效率有待提高。
发明内容
本发明的目的是提供一种区域用户的用电成熟度确定方法及系统,针对区域电力用户进行用电成熟度分析,避免将大量数据上传至数据中心,提高数据处理效率。
为实现上述目的,本发明提供了如下方案:
一种区域用户的用电成熟度确定方法,包括:
获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;
根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标;
综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度;
将所述用电成熟度上传至数据中心以供数据中心处理。
可选的,所述根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标,具体包括:
根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标;所述第一指标和所述第二指标分别为预测得到的当前年用电量饱和度和当前年最大负荷饱和度;
根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标;所述第三指标为表征用户异常用电行为的指标;所述第四指标为表征负荷波动程度的指标;
根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标;所述第五指标为用户的需求响应潜力或用户所属行业在需求响应下的降负荷率。
可选的,所述根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标,具体包括:
利用Logistic曲线模型对用户年用电量和年最大负荷进行预测,得到第一预测结果;
利用灰色Verhulst模型对用户年用电量和年最大负荷进行预测,得到第二预测结果;
基于等权递归理论将所述第一预测结果和所述第二预测结果进行组合,得到年用电量的饱和规模和年最大负荷的饱和规模;
从所述待分析年份全年用电负荷数据中计算当前年用电量规模和当前年最大负荷规模;
利用所述当前年用电量规模、所述当前年最大负荷规模、所述年用电量的饱和规模和所述年最大负荷的饱和规模计算所述当前年用电量饱和度和所述当前年最大负荷饱和度。
可选的,所述根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标,具体包括:
提取表征用户日用电行为的特征量;所述表征日用电行为的特征量为日平均负荷、日负荷率以及日峰谷差;
将属于同一日的所述表征用户日用电行为的特征量视为一个对象,计算每个所述对象的局部离群因子;
选取局部离群因子大于预设离群因子临界值的对象的数量和所述局部离群因子中的最大值,得到表征用户异常用电行为的指标;
分别计算用户全年日峰谷差的最大值和平均值、全年各月最大负荷的平均值与年最大负荷的比值以及全年12个月月平均负荷的标准差,得到表征负荷波动程度的指标。
可选的,当所述第五指标为用户的需求响应潜力时,所述根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标,具体包括:
建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
筛选出总负荷最小的日用电模式,得到最小负荷用电模式;
根据所述最小负荷用电模式计算用户的需求响应潜力。
可选的,当所述第五指标为用户所属行业在需求响应下的降负荷率时,所述根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标,具体包括:
建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
根据多个所述日用电负荷模式计算用户所属行业在需求响应下的降负荷率。
可选的,所述综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度,具体包括:
计算各指标的熵值;
根据各指标的熵值计算各指标的权重;
基于各指标的权重加权TOPSIS法计算用电成熟度。
一种区域用户的用电成熟度确定系统,包括:
数据获取模块,用于获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;
指标构建模块,用于根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标;
成熟度计算模块,用于综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度;
上传模块,用于将所述用电成熟度上传至数据中心以供数据中心处理。
可选的,所述指标构建模块包括:
负荷水平成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标;所述第一指标和所述第二指标分别为预测得到的当前年用电量饱和度和当前年最大负荷饱和度;
用电行为成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标;所述第三指标为表征用户异常用电行为的指标;所述第四指标为表征负荷波动程度的指标;
互动能力成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标;所述第五指标为用户的需求响应潜力或用户所属行业在需求响应下的降负荷率;
所述负荷水平成熟度指标构建单元包括:
第一预测子单元,用于利用Logistic曲线模型对用户年用电量和年最大负荷进行预测,得到第一预测结果;
第二预测子单元,用于利用灰色Verhulst模型对用户年用电量和年最大负荷进行预测,得到第二预测结果;
预测结果组合子单元,用于基于等权递归理论将所述第一预测结果和所述第二预测结果进行组合,得到年用电量的饱和规模和年最大负荷的饱和规模;
当年前规模计算子单元,用于从所述待分析年份全年用电负荷数据中计算当前年用电量规模和当前年最大负荷规模;
饱和度计算子单元,用于利用所述当前年用电量规模、所述当前年最大负荷规模、所述年用电量的饱和规模和所述年最大负荷的饱和规模计算所述当前年用电量饱和度和所述当前年最大负荷饱和度;
所述用电行为成熟度指标构建单元包括:
特征量提取子单元,用于提取表征用户日用电行为的特征量;所述表征日用电行为的特征量为日平均负荷、日负荷率以及日峰谷差;
局部离群因子计算子单元,用于将属于同一日的所述表征用户日用电行为的特征量视为一个对象,计算每个所述对象的局部离群因子;
第三指标计算子单元,用于选取局部离群因子大于预设离群因子临界值的对象的数量和所述局部离群因子中的最大值,得到表征用户异常用电行为的指标;
第四指标计算子单元,用于分别计算用户全年日峰谷差的最大值和平均值、全年各月最大负荷的平均值与年最大负荷的比值以及全年12个月月平均负荷的标准差,得到表征负荷波动程度的指标;
当所述第五指标为用户的需求响应潜力时,所述互动能力成熟度指标构建单元包括日负荷曲线建立子单元、聚类子单元、最小模式筛选子单元和需求响应潜力计算子单元;当所述第五指标为用户所属行业在需求响应下的降负荷率时,所述互动能力成熟度指标构建单元包括日负荷曲线建立子单元、聚类子单元和降负荷率计算子单元;
日负荷曲线建立子单元,用于建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
聚类子单元,用于利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
最小模式筛选子单元,用于筛选出总负荷最小的日用电模式,得到最小负荷用电模式;
需求响应潜力计算子单元,用于根据所述最小负荷用电模式计算用户的需求响应潜力;
降负荷率计算子单元,用于根据多个所述日用电负荷模式计算用户所属行业在需求响应下的降负荷率。
可选的,所述成熟度计算模块包括:
熵值计算单元,用于计算各指标的熵值;
权重计算单元,用于根据各指标的熵值计算各指标的权重;
成熟度计算单元,用于基于各指标的权重加权TOPSIS法计算用电成熟度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明的区域用户的用电成熟度确定方法及系统,针对区域电力用户进行用电成熟度分析,并将体现用户用电稳定性的成熟度上传至数据中心以供数据中心处理,避免将大量数据上传至数据中心,提高数据处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的区域用户的用电成熟度确定方法的方法流程图;
图2为本发明实施例2的区域用户的用电成熟度确定方法的整体构思框架图;
图3为本发明实施例3的区域用户的用电成熟度确定系统的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明分别从负荷水平、用电行为、互动能力三个维度对用户的用电特性成熟度进行评价,从而在智能电表终端将海量分散的用电特性数据信息浓缩为成熟度指数(成熟度即为当前状态与完美状态的相对值),进而上传至数据中心进行再分析及应用,有助于数据中心快速直观地掌握电力用户的负荷行为模式以及电量需求规律,提升系统运行效率的同时显著减轻数据中心的工作压力。
本发明采用数据情境化技术从大量数据中挖掘出对成熟度有意义的数据。数据情境化是数据挖掘的一种典型技术,它是一个双重过程:一方面,传感设备终端单独或共同感知捕获情境化元数据;另一方面,数据本身可根据情境变化采用边缘计算进行处理,提取隐藏在海量数据背后的巨大价值。总的来说,数据情境化是通过语义分析和挖掘算法,对特定业务表示出有意义形式的高价值浓度数据。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
图1为本发明实施例1的区域用户的用电成熟度确定方法的方法流程图。
参见图1,该区域用户的用电成熟度确定方法,包括:
步骤101:获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;
步骤102:根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标;
步骤103:综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度;
步骤104:将所述用电成熟度上传至数据中心以供数据中心处理。
可选的,步骤102:具体包括:
根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标;所述第一指标和所述第二指标分别为预测得到的当前年用电量饱和度和当前年最大负荷饱和度;
根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标;所述第三指标为表征用户异常用电行为的指标;所述第四指标为表征负荷波动程度的指标;
根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标和第六指标;所述第五指标为用户的需求响应潜力或用户所属行业在需求响应下的降负荷率。
可选的,所述根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标,具体包括:
利用Logistic曲线模型对用户年用电量和年最大负荷进行预测,得到第一预测结果;
利用灰色Verhulst模型对用户年用电量和年最大负荷进行预测,得到第二预测结果;
基于等权递归理论将所述第一预测结果和所述第二预测结果进行组合,得到年用电量的饱和规模和年最大负荷的饱和规模;
从所述待分析年份全年用电负荷数据中计算当前年用电量规模和当前年最大负荷规模;
利用所述当前年用电量规模、所述当前年最大负荷规模、所述年用电量的饱和规模和所述年最大负荷的饱和规模计算所述当前年用电量饱和度和所述当前年最大负荷饱和度。
可选的,所述根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标,具体包括:
提取表征用户日用电行为的特征量;所述表征日用电行为的特征量为日平均负荷、日负荷率以及日峰谷差;
将属于同一日的所述表征用户日用电行为的特征量视为一个对象,计算每个所述对象的局部离群因子;
选取局部离群因子大于预设离群因子临界值的对象的数量和所述局部离群因子中的最大值,得到表征用户异常用电行为的指标;
分别计算用户全年日峰谷差的最大值和平均值、全年各月最大负荷的平均值与年最大负荷的比值以及全年12个月月平均负荷的标准差,得到表征负荷波动程度的指标。
可选的,当所述第五指标为用户的需求响应潜力时,所述根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标,具体包括:
建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
筛选出总负荷最小的日用电模式,得到最小负荷用电模式;
根据所述最小负荷用电模式计算用户的需求响应潜力。
可选的,当所述第五指标为用户所属行业在需求响应下的降负荷率时,所述根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标,具体包括:
建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
根据多个所述日用电负荷模式计算用户所属行业在需求响应下的降负荷率。
可选的,步骤103:具体包括:
计算各指标的熵值;
根据各指标的熵值计算各指标的权重;
基于各指标的权重加权TOPSIS法计算用电成熟度。
实施例2:
该实施例2为实施例1的一种具体实施例。图2为本发明实施例2的区域用户的用电成熟度确定方法的整体构思框架图。
参见图2,实施例2的区域用户的用电成熟度确定方法包括以下步骤:
1、获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据
在区域电力用户智能电表终端进行用电负荷数据采集及存储,包括待分析年全年8760h的用电负荷数据以及历史年用电量和历史年最大负荷数据。
2、区域电力用户成熟度三维评价指标体系构建。
根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标。如表1所示。
表1区域电力用户成熟度三维评价指标体系
(1)负荷水平成熟度评价指标A
区域电力用户的用电负荷通常呈现出先增加后趋于平稳的“S型”增长趋势,因此,预测负荷在饱和阶段的规模是衡量用户负荷水平成熟度的关键。
为充分利用各个负荷预测模型的有用信息,本实施例2基于等权递归理论将Logistic曲线模型和灰色Verhulst模型相结合,应用组合预测的方法对区域电力用户年用电量的饱和规模和年最大负荷的饱和规模进行预测,其中,Logistic曲线模型如式(1)所示。
式中:y为区域电力用户年用电量或者年最大负荷;c表示用户年用电量或者年最大负荷的饱和值,表示变量y的极限值,参数a,b为决定不同发展阶段用户负荷的增长速度的参数。
灰色Verhulst模型如式(2)所示。
式中:x(0)为历史年用电量数据序列或历史年最大负荷数据序列;x(1)为x(0)的一阶累加序列;z(1)是x(1)的紧邻均值序列;分别为x(0),x(1)序列的预测值;m为发展系数,n为灰作用量,index为x(0)序列中的元素数量。
基于等权递归理论将Logistic模型以及灰色Verhulst模型的预测结果进行组合,得到用户年用电量的饱和规模ECmax和年最大负荷的饱和规模ELmax,进而可以计算出用户当前年用电量饱和度A1和当前年最大负荷饱和度A2,如式(3)所示。
式中:EC,EL分别表示用户当前年用电量规模和当前年最大负荷规模。
另外,年用电量增长率A3以及年最大负荷增长率A4也可以直观地描述区域电力用户负荷的变化趋势,也可以将其作为区域电力用户负荷水平成熟度的评价指标。
(2)用电行为成熟度评价指标B
用户的用电行为是否成熟主要体现在一年中用户异常用电行为的多少以及负荷波动程度的大小。因此,本实施例2主要提取表征用户异常用电行为以及负荷波动程度的指标作为用户用电行为成熟度的评价指标。
首先根据用户全年的用电负荷数据提取出表征用户日用电行为的特征量:日平均负荷、日负荷率以及日峰谷差,并将上述3个特征量表示的同一天的日用电行为视为一个对象,计算每个对象的局部离群因子(local outlier factor,LOF),选取局部离群因子大于2的日用电行为的数量B1以及最大局部离群因子B2作为表征用户异常用电行为的指标。
其中,对象p的局部离群因子定义如式(4)所示。
式中:LOFMinPts(p)和lrdMinPts(p)分别为对象p的局部离群因子和局部可达密度;NMinPts(p)为对象p的MinPts距离邻域;r_dMinPts(p,o)为对象p关于对象o的可达距离。
另外,本发明选取以下4个指标作为表征用户全年负荷波动程度的指标:年最大峰谷差B3、年平均峰谷差B4、季不均衡系数B5以及月平均负荷标准差B6。其中,年最大峰谷差B3和年平均峰谷差B4分别为用户全年日峰谷差的最大值和平均值;季不均衡系数B5为用户全年各月最大负荷的平均值与年最大负荷的比值;月平均负荷标准差B6为用户全年12个月月平均负荷的标准差。
(3)互动能力成熟度评价指标C
为有效缓解电网负荷高峰时段电力供应紧张的问题,电力用户可根据系统的负荷要求或自身的意愿对原先的用电方式进行改变,以需求响应的形式参与电网双向互动。因此,本实施例2主要将用户的需求响应潜力作为用户互动能力成熟度的评价指标。
首先基于自适应K-means算法提取用户全年典型的日用电负荷模式,然后分别基于最小负荷用电模式抽取以及需求响应降负荷率两种方法对用户的需求响应进行量化评估,进而得到表征用户互动能力成熟度的两个指标C1和C2。
其中,用户的最小负荷用电模式是指用户所有典型的日负荷模式中总负荷最小的负荷模式,即:
式中:Pmin(t)和Cg(t)为用户的最小负荷用电模式;Ck(t)为用户的第k类负荷模式,t为时间。
则用户的需求响应潜力可计算如下:
式中:Nk为第k类负荷模式下相似日的总数量,M为日用电负荷模式的总数。
另外,用户所属行业的需求响应降负荷率:
式中:λ为用户在需求响应措施下的平均降负荷率,即实施需求响应时,负荷平均削减量占最大负荷的比率;Nsum和Nk分别表示用户日负荷曲线的总数量和第k类负荷模式下日负荷曲线的总数量;为Z个峰值负荷时段对应的负荷。
3、综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度。
(1)基于熵值修正G1法的指标赋权
基于熵值修正的G1法模型是一种基于层次分析法改进的主客观相结合的指标赋权方法,该方法通过指标的熵值来确定指标间的重要程度,从而确定指标权重,能更准确地反映指标的真实信息。
若yij为正向指标,则有:
若yij为负向指标,则有:
然后,计算各指标的熵值并求取各维度指标相应的权重。设ej是第j个指标的熵值,则有:
Q为用户总数,fij为中间量。
对于相邻的第j-1、j项指标,设它们的重要程度之比为rj。则有:
假定评价指标体系中某一维度的指标序号为j0到j1,则该维度下第j1个指标的权重wj1为:
当s=j1-1,j1-2,...,j0时,第s指标的权重ws为:
ws=rs+1ws+1 (13)
(2)基于加权TOPSIS法的成熟度计算
TOPSIS法是根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行目标相对优劣的评价。基于加权TOPSIS方法对区域电力用户成熟度进行计算的具体过程如下:
首先,根据原规范化值xij和各指标的权重wj,构造加权规范化矩阵,其中加权规范化矩阵中元素:
zij=wjxij (14)
然后,确定各分类维度的正理想解A+与负理想解A-:
则用户i维度l的成熟度mati,l可计算如下:
该值越接近1,表示区域电力用户各维度的成熟度越高;反之,该值越接近0,表示区域电力用户各维度的成熟度越低。
4、将所述用电成熟度上传至数据中心以供数据中心处理。
将智能电表终端数据经情境化浓缩后的区域电力用户三维成熟度上传至区域电网运营商数据中心,在数据中心对汇集的成熟度情境信息进行进一步分析,全景掌握区域不同电力用户的用电特性,进而根据不同的应用场景开展数据价值服务。
实施例3:
该实施例3提供一种与实施例1对应的区域用户的用电成熟度确定系统。
图3为本发明实施例3的区域用户的用电成熟度确定系统的系统结构图。
参见图3,该区域用户的用电成熟度确定系统,包括:
数据获取模块301,用于获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;
指标构建模块302,用于根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标;
成熟度计算模块303,用于综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度;
上传模块304,用于将所述用电成熟度上传至数据中心以供数据中心处理。
可选的,所述指标构建模块302包括:
负荷水平成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标;所述第一指标和所述第二指标分别为预测得到的当前年用电量饱和度和当前年最大负荷饱和度;
用电行为成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标;所述第三指标为表征用户异常用电行为的指标;所述第四指标为表征负荷波动程度的指标;
互动能力成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标和第六指标;所述第五指标为用户的需求响应潜力或用户所属行业在需求响应下的降负荷率;
所述负荷水平成熟度指标构建单元包括:
第一预测子单元,用于利用Logistic曲线模型对用户年用电量和年最大负荷进行预测,得到第一预测结果;
第二预测子单元,用于利用灰色Verhulst模型对用户年用电量和年最大负荷进行预测,得到第二预测结果;
预测结果组合子单元,用于基于等权递归理论将所述第一预测结果和所述第二预测结果进行组合,得到年用电量的饱和规模和年最大负荷的饱和规模;
当年前规模计算子单元,用于从所述待分析年份全年用电负荷数据中计算当前年用电量规模和当前年最大负荷规模;
饱和度计算子单元,用于利用所述当前年用电量规模、所述当前年最大负荷规模、所述年用电量的饱和规模和所述年最大负荷的饱和规模计算所述当前年用电量饱和度和所述当前年最大负荷饱和度;
所述用电行为成熟度指标构建单元包括:
特征量提取子单元,用于提取表征用户日用电行为的特征量;所述表征日用电行为的特征量为日平均负荷、日负荷率以及日峰谷差;
局部离群因子计算子单元,用于将属于同一日的所述表征用户日用电行为的特征量视为一个对象,计算每个所述对象的局部离群因子;
第三指标计算子单元,用于选取局部离群因子大于预设离群因子临界值的对象的数量和所述局部离群因子中的最大值,得到表征用户异常用电行为的指标;
第四指标计算子单元,用于分别计算用户全年日峰谷差的最大值和平均值、全年各月最大负荷的平均值与年最大负荷的比值以及全年12个月月平均负荷的标准差,得到表征负荷波动程度的指标;
当所述第五指标为用户的需求响应潜力时,所述互动能力成熟度指标构建单元包括日负荷曲线建立子单元、聚类子单元、最小模式筛选子单元和需求响应潜力计算子单元;当所述第五指标为用户所属行业在需求响应下的降负荷率时,所述互动能力成熟度指标构建单元包括日负荷曲线建立子单元、聚类子单元和降负荷率计算子单元;
日负荷曲线建立子单元,用于建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
聚类子单元,用于利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
最小模式筛选子单元,用于筛选出总负荷最小的日用电模式,得到最小负荷用电模式;
需求响应潜力计算子单元,用于根据所述最小负荷用电模式计算用户的需求响应潜力;
降负荷率计算子单元,用于根据多个所述日用电负荷模式计算用户所属行业在需求响应下的降负荷率。
可选的,所述成熟度计算模块303包括:
熵值计算单元,用于计算各指标的熵值;
权重计算单元,用于根据各指标的熵值计算各指标的权重;
成熟度计算单元,用于基于各指标的权重加权TOPSIS法计算用电成熟度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明的区域用户的用电成熟度确定方法及系统,针对区域电力用户进行用电成熟度分析,并将体现用户用电稳定性的成熟度上传至数据中心以供数据中心处理,避免将大量数据上传至数据中心,提高数据处理效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种区域用户的用电成熟度确定方法,其特征在于,包括:
获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;
根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标,具体包括:
根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标;所述第一指标和所述第二指标分别为预测得到的当前年用电量饱和度和当前年最大负荷饱和度;
根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标;所述第三指标为表征用户异常用电行为的指标;所述第四指标为表征负荷波动程度的指标;
根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标;所述第五指标为用户的需求响应潜力或用户所属行业在需求响应下的降负荷率;
综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度;
将所述用电成熟度上传至数据中心以供数据中心处理。
2.根据权利要求1所述的区域用户的用电成熟度确定方法,其特征在于,所述根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标,具体包括:
利用Logistic曲线模型对用户年用电量和年最大负荷进行预测,得到第一预测结果;
利用灰色Verhulst模型对用户年用电量和年最大负荷进行预测,得到第二预测结果;
基于等权递归理论将所述第一预测结果和所述第二预测结果进行组合,得到年用电量的饱和规模和年最大负荷的饱和规模;
从所述待分析年份全年用电负荷数据中计算当前年用电量规模和当前年最大负荷规模;
利用所述当前年用电量规模、所述当前年最大负荷规模、所述年用电量的饱和规模和所述年最大负荷的饱和规模计算所述当前年用电量饱和度和所述当前年最大负荷饱和度。
3.根据权利要求1所述的区域用户的用电成熟度确定方法,其特征在于,所述根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标,具体包括:
提取表征用户日用电行为的特征量;所述表征用户日用电行为的特征量为日平均负荷、日负荷率以及日峰谷差;
将属于同一日的所述表征用户日用电行为的特征量视为一个对象,计算每个所述对象的局部离群因子;
选取局部离群因子大于预设离群因子临界值的对象的数量和所述局部离群因子中的最大值,得到表征用户异常用电行为的指标;
分别计算用户全年日峰谷差的最大值和平均值、全年各月最大负荷的平均值与年最大负荷的比值以及全年12个月月平均负荷的标准差,得到表征负荷波动程度的指标。
4.根据权利要求1所述的区域用户的用电成熟度确定方法,其特征在于,当所述第五指标为用户的需求响应潜力时,所述根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标,具体包括:
建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
筛选出总负荷最小的日用电模式,得到最小负荷用电模式;
根据所述最小负荷用电模式计算用户的需求响应潜力。
5.根据权利要求1所述的区域用户的用电成熟度确定方法,其特征在于,当所述第五指标为用户所属行业在需求响应下的降负荷率时,所述根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标,具体包括:
建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
根据多个所述日用电负荷模式计算用户所属行业在需求响应下的降负荷率。
6.根据权利要求1所述的区域用户的用电成熟度确定方法,其特征在于,所述综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度,具体包括:
计算各指标的熵值;
根据各指标的熵值计算各指标的权重;
基于各指标的权重加权TOPSIS法计算用电成熟度。
7.一种区域用户的用电成熟度确定系统,其特征在于,包括:
数据获取模块,用于获取区域电力用户智能电表终端采集的待分析年份全年用电负荷数据、历史年用电量和历史年最大负荷数据;
指标构建模块,用于根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的指标、表征用电行为成熟度的指标和表征互动能力成熟度的指标,所述指标构建模块包括:
负荷水平成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据、所述历史年用电量和所述历史年最大负荷数据计算表征负荷水平成熟度的第一指标和第二指标;所述第一指标和所述第二指标分别为预测得到的当前年用电量饱和度和当前年最大负荷饱和度;
用电行为成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据计算表征用电行为成熟度的第三指标和第四指标;所述第三指标为表征用户异常用电行为的指标;所述第四指标为表征负荷波动程度的指标;
互动能力成熟度指标构建单元,用于根据所述待分析年份全年用电负荷数据计算表征互动能力成熟度的第五指标;所述第五指标为用户的需求响应潜力或用户所属行业在需求响应下的降负荷率;
成熟度计算模块,用于综合所述表征负荷水平成熟度的指标、所述表征用电行为成熟度的指标和所述表征互动能力成熟度的指标确定用电成熟度;
上传模块,用于将所述用电成熟度上传至数据中心以供数据中心处理。
8.根据权利要求7所述的区域用户的用电成熟度确定系统,其特征在于,所述指标构建模块还包括:
所述负荷水平成熟度指标构建单元包括:
第一预测子单元,用于利用Logistic曲线模型对用户年用电量和年最大负荷进行预测,得到第一预测结果;
第二预测子单元,用于利用灰色Verhulst模型对用户年用电量和年最大负荷进行预测,得到第二预测结果;
预测结果组合子单元,用于基于等权递归理论将所述第一预测结果和所述第二预测结果进行组合,得到年用电量的饱和规模和年最大负荷的饱和规模;
当年前规模计算子单元,用于从所述待分析年份全年用电负荷数据中计算当前年用电量规模和当前年最大负荷规模;
饱和度计算子单元,用于利用所述当前年用电量规模、所述当前年最大负荷规模、所述年用电量的饱和规模和所述年最大负荷的饱和规模计算所述当前年用电量饱和度和所述当前年最大负荷饱和度;
所述用电行为成熟度指标构建单元包括:
特征量提取子单元,用于提取表征用户日用电行为的特征量;所述表征用户日用电行为的特征量为日平均负荷、日负荷率以及日峰谷差;
局部离群因子计算子单元,用于将属于同一日的所述表征用户日用电行为的特征量视为一个对象,计算每个所述对象的局部离群因子;
第三指标计算子单元,用于选取局部离群因子大于预设离群因子临界值的对象的数量和所述局部离群因子中的最大值,得到表征用户异常用电行为的指标;
第四指标计算子单元,用于分别计算用户全年日峰谷差的最大值和平均值、全年各月最大负荷的平均值与年最大负荷的比值以及全年12个月月平均负荷的标准差,得到表征负荷波动程度的指标;
当所述第五指标为用户的需求响应潜力时,所述互动能力成熟度指标构建单元包括日负荷曲线建立子单元、聚类子单元、最小模式筛选子单元和需求响应潜力计算子单元;当所述第五指标为用户所属行业在需求响应下的降负荷率时,所述互动能力成熟度指标构建单元包括日负荷曲线建立子单元、聚类子单元和降负荷率计算子单元;
日负荷曲线建立子单元,用于建立用户全年每天的负荷曲线,得到全年的日负荷曲线;
聚类子单元,用于利用K-means算法对所述全年的日负荷曲线进行聚类,得到多个日用电负荷模式;
最小模式筛选子单元,用于筛选出总负荷最小的日用电模式,得到最小负荷用电模式;
需求响应潜力计算子单元,用于根据所述最小负荷用电模式计算用户的需求响应潜力;
降负荷率计算子单元,用于根据多个所述日用电负荷模式计算用户所属行业在需求响应下的降负荷率。
9.根据权利要求7所述的区域用户的用电成熟度确定系统,其特征在于,所述成熟度计算模块包括:
熵值计算单元,用于计算各指标的熵值;
权重计算单元,用于根据各指标的熵值计算各指标的权重;
成熟度计算单元,用于基于各指标的权重加权TOPSIS法计算用电成熟度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294254.8A CN111027872B (zh) | 2019-12-16 | 2019-12-16 | 一种区域用户的用电成熟度确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911294254.8A CN111027872B (zh) | 2019-12-16 | 2019-12-16 | 一种区域用户的用电成熟度确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027872A CN111027872A (zh) | 2020-04-17 |
CN111027872B true CN111027872B (zh) | 2023-04-21 |
Family
ID=70210901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911294254.8A Active CN111027872B (zh) | 2019-12-16 | 2019-12-16 | 一种区域用户的用电成熟度确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027872B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111800477B (zh) * | 2020-06-15 | 2022-09-23 | 浙江理工大学 | 一种面向边缘计算数据质量感知的区别化激励方法 |
CN111797924B (zh) * | 2020-07-03 | 2022-11-25 | 国家电网有限公司 | 一种基于聚类算法的三维度园区画像方法及系统 |
CN112085321A (zh) * | 2020-07-30 | 2020-12-15 | 国家电网有限公司 | 一种基于边缘计算的台区状态评价方法 |
CN111949939B (zh) * | 2020-08-26 | 2022-07-19 | 北京航空航天大学 | 基于改进topsis和聚类分析的智能电表运行状态评价方法 |
CN112686530B (zh) * | 2020-12-28 | 2022-07-26 | 贵州电网有限责任公司 | 一种继电保护运行可靠性评价方法 |
CN112329895A (zh) * | 2021-01-05 | 2021-02-05 | 国网江西综合能源服务有限公司 | 一种具有窃电嫌疑的用户的识别方法及装置 |
CN114169802B (zh) * | 2021-12-31 | 2022-08-16 | 佰聆数据股份有限公司 | 电网用户需求响应潜力分析方法、系统及存储介质 |
CN116894151B (zh) * | 2023-09-07 | 2023-11-14 | 无锡市锡容电力电器有限公司 | 基于人工智能的智慧电网异常数据清洗方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN107886226A (zh) * | 2017-10-30 | 2018-04-06 | 国家电网公司 | 一种配电网成熟度评价方法及装置 |
CN110309884A (zh) * | 2019-07-05 | 2019-10-08 | 国网四川省电力公司经济技术研究院 | 基于泛在电力物联网体系的用电数据异常识别系统 |
-
2019
- 2019-12-16 CN CN201911294254.8A patent/CN111027872B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN107886226A (zh) * | 2017-10-30 | 2018-04-06 | 国家电网公司 | 一种配电网成熟度评价方法及装置 |
CN110309884A (zh) * | 2019-07-05 | 2019-10-08 | 国网四川省电力公司经济技术研究院 | 基于泛在电力物联网体系的用电数据异常识别系统 |
Non-Patent Citations (3)
Title |
---|
Shixiang Lu 等.Research on Creating Multi-Attribute Power Consumption Behavior Portraits for Massive Users.《2018 8th International Conference on Power and Energy Systems (ICPES)》.2019,54-59. * |
孙煜华 等.基于大数据平台的居民负荷变尺度画像技术实现与应用.供用电.2019,第36卷(第08期),41-48. * |
徐涛 等.基于多维细粒度行为数据的居民用户画像方法研究.电力需求侧管理.2019,第21卷(第03期),47-52,58. * |
Also Published As
Publication number | Publication date |
---|---|
CN111027872A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027872B (zh) | 一种区域用户的用电成熟度确定方法及系统 | |
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN110082699B (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN108776939A (zh) | 用户用电行为的分析方法及系统 | |
CN115276006A (zh) | 一种用于电力集成系统的负荷预测的方法及系统 | |
CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
CN105023066B (zh) | 一种基于季节调整的业扩报装分析预测系统及方法 | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN103793788B (zh) | 一种有序用电管理方法 | |
CN111210170B (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN111489188A (zh) | 一种居民可调负荷潜力挖掘方法及系统 | |
CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
CN113805138A (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
Wang et al. | Three-dimensional maturity model of regional power users against the background of the ubiquitous power internet of things | |
CN111680852A (zh) | 地区整体能耗监控方法及其监控系统 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
CN113222339B (zh) | 基于计量全景数据的同类型企业用能差异分析方法及系统 | |
CN113255850B (zh) | 配用电节能节费潜力评估方法 | |
CN111797924B (zh) | 一种基于聚类算法的三维度园区画像方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |